ABDA-NL은 접지된 의미론(grounded semantics) 기반의 ASPIC- 지식 베이스를 활용하여 논증 기반 토론을 수행하는 시스템인 ABDA에 자연어 인터페이스를 추가합니다. 사용자는 어떤 결론이 수용(accepted), 기각(rejected), 또는 미결정(undecided)되었는지 확인하고, 접지된 토론 게임의 대화형 렌더링을 열어 그 이유를 파악할 수 있습니다. 또한 가정과 규칙을 유예하거나 선호도를 변경하여 가정적 대안(what-if alternatives)을 탐색하고, 시나리오의 참조 문서로부터 답변을 얻는 질문을 던질 수 있으며, 쉬운 영어(plain English)로 새로운 사실, 가정, 규칙을 작성할 수 있습니다. 대규모 언어 모델(LLM)은 자연어와 형식주의 간의 가교 역할을 하여, 문서 및 시나리오의 현재 상태를 바탕으로 질문에 답하고 쉬운 영어로 작성된 수정을 후보 형식 명제로 변환합니다. 결정론적 ABDA 엔진은 논증, 공격, 수용 레이블의 유일한 원천으로 유지되며, 모델의 모든 제안은 적용되기 전에 사용자가 검증하고 확인합니다.
멀티미디어 검증은 정확한 판단뿐 아니라 추적 가능한 증거, 신뢰할 수 있는 인간의 수정, 그리고 선행 경험의 안전한 재사용을 요구한다. 기존 시스템은 종종 중간 추론을 수정하거나 유해한 지식 전이를 방지하는 명시적 메커니즘을 갖추지 못한다. 본 논문은 SEMV(Self-Evolving Multimedia Verification)를 제안한다. 이는 자기 진화형 다중 에이전트 프레임워크로, 출처 정보를 담은 논증(argument)을 증거, 추론, 인간의 이의 제기(contestation), 기억(memory) 사이의 인터페이스로 다룬다. SEMV는 아레나 기반 정량적 이분 논증(A-QBAF), 인과적·범위 제한(scoped) 수정, 검증 게이트가 있는 기억 통합 및 명시적 갈등 보존을 결합한다. COSMOS 벤치마크에서 SEMV는 91.88% 정확도를 달성하며, 이는 비교 가능한 최강 기준선의 89.10%를 상회한다. 검증된 기억은 부정적 전이를 5.7%에서 0.2%로 줄인다. 리뷰어 이의 제기로 구성된 CTR 벤치마크에서 범위 제한 인과 수정은 초기 오류의 96.7%를 교정하면서 연산량 52.8%를 절감한다. MV2026 Grand Challenge 데이터셋은 증거 기반의 시간적으로 일관된 보고를 추가로 뒷받침한다. 이러한 결과는 SEMV가 검증된 경험을 통해 진화할 수 있으면서, 축적된 지식과 이후 결정을 추적 가능하고, 수정 가능하며, 이의를 제기할 수 있게 유지할 수 있음을 보여준다.
암묵적 전제(Enthymeme)는 명시되지 않은 전제나 결론을 포함하는 논증으로, 설득적인 담론에 널리 퍼져 있으나 이에 대한 주석 달기는 여전히 악명 높을 정도로 주관적입니다. 우리는 라벨 변동성을 연구하기 위해 설계된, 정치적으로 논쟁적인 담론의 1,482개 트윗으로 구성된 리소스를 제시합니다. 이 데이터는 5명의 주석자가 암묵적 전제의 존재 여부와 그 논증 구조에 대해 주석을 달았습니다. 우리는 먼저 암묵적 전제의 정의를 재조명하고 월튼(Walton)의 논증 스킴에 기반을 둔 주석 가이드라인을 제안하며, 이는 구조적이고 제한적인 접근 방식을 제공하면서도 과제의 해석적 성격을 고려한 여지를 보존합니다. 이는 불일치를 제거하는 경향이 있어 그 원인을 모호하게 만들고 모델 성능에 미칠 수 있는 잠재적 이점에 대한 조사를 방해했던 과거의 리소스와 대조됩니다. 또한, 우리는 과제의 복잡도 분석을 제안하여 주석 작업이 높은 인지 부하를 주고 주석 불일치를 야기할 수 있는 지점을 식별합니다. 우리의 예비 실험에 따르면, 주석자 불일치로 학습된 모델이 단순 다수결 라벨로 학습된 모델보다 성능이 더 뛰어납니다. 마지막으로, 암묵적 전제의 정의와 가이드라인에 있는 구조적 개방성이 인간 추론과 관련된 미래의 리소스 및 다운스트림 자연어 처리(NLP) 애플리케이션을 위해 주관적 추론 과정의 변동성 연구를 어떻게 가능하게 하는지 고찰합니다.
정책 문서는 거버넌스 결과를 형성하지만, 그 안의 추론은 종종 암묵적이다. 참여형 약속과 관리적 통제는 같은 텍스트 안에서 흔히 공존하며, 이 둘 사이의 긴장은 거의 명시적으로 서술되지 않는다. 기존의 정책 담화에 대한 계산적 접근법은 이러한 긴장을 유발하는 프레임 매개 관계를 표현할 수 없는데, 여기서 한 논증이 다른 논증을 거부하기보다는 좁히거나 도구화한다. 대규모 언어 모델(LLM)의 종단 간(end-to-end) 요약은 유창한 텍스트를 생성하지만, 분야 전문가가 검토하거나 반박할 수 있는 구조를 거의 제공하지 않는다. 우리는 정책 텍스트에 대한 비판적 담화 분석(critical discourse analysis)을 정량적 쌍극(bipolar) 논증 프레임워크로 구체화하는 하이브리드 LLM-기호 파이프라인인 Apaf를 제안한다. 논증은 먼저 숙의적(deliberative) 또는 관리적(managerial) 프레임으로 분류된다. 이어서 네 가지 프레임 매개 관계 하위 유형(행위 주체 축소, 의제 전환, 도구적 지지, 규범적 지지)이 LLM으로 추출한 특징에 대한 결정론적 규칙을 통해 생성된다. 미국, 영국, 캐나다, 호주의 재난 위험 감소 정책 100개 하위 문서로 구성된 새로운 데이터셋을 공개하고, 그 결과로 얻어지는 논증 그래프가 정확하고, 해석 가능하며, 관할권 간에 안정적임을 보인다.
구조적이고 해석 가능한 평가를 제공하기 위해, 우리는 툴민(Toulmin) 논증 모델의 구성 요소에 따라 이미지 기반 진단을 분해한다. 이 모델은 주장(claim), 근거(grounds), 보증(warrant), 한정(qualifier), 반박(rebuttal), 뒷받침(backing)으로 구성된다. 머신러닝(ML) 모델이 망막 진단을 위해 생성한 주장을 고려해 보자. 이 주장을 액면 그대로 수용하는 대신, 설명 가능한 AI(XAI) 기법을 적용하거나 논증 기반 접근법을 채택할 수 있다. 우리의 프레임워크에서, 이미지로부터 바이오마커를 추출하는 데 특화된 모델이 근거를 제공한다. 근거와 주장을 연결하는 보증은 의학 지식을 갖춘 에이전트가 분석하며, 우리의 아키텍처에서 이 역할은 MedGemma 에이전트가 수행한다. 한정자는 보증 모델과 근거 모델 모두에 대한 전반적인 정량적 평가를 기반으로 결정된다. 마지막으로, 반박은 MedSigLip으로 계산된 이미지 유사도 측정값을 사용하여 구성된다. 이러한 모든 구성 요소는 인간 전문가에게 제시되어, ML이 생성한 진단에 대해 보다 충분한 정보에 기반한 비판적 평가를 가능하게 한다.
우리는 foundry들의 합성으로 검증 가능하고 지역적으로 진리를 보존하는 파운데이션 모델을 구축하기 위한 ODYSSEY라는 범주론적 프레임워크를 제안한다. foundry는 지역적 문맥의 cover, 지역적 표현 패밀리, restriction map, gluing rule, obstruction 정책, 업데이트 의무, 사람 대면 view를 명시하는 빌딩 블록 아키텍처 구성요소이다. foundry는 내부에 논증(argumentation) 구성요소를 담은 정리된 지식 sheaf이다. 구체적 foundry는 evidence/argument, operational decision, institutional/financial, market meaning, scientific challenge, research-program, assistant-build, evaluation-harness foundry와 같은 일반적 foundry로부터 구축된다. Universal Foundry Learning(UFL)은 foundry 구축을 좌측 및 우측 Kan extension의 합성으로 형식화하며, 좌측 Kan extension은 지역적 artifact를 후보 foundry로 통합하고, 우측 Kan extension은 승격(promotion)에 필요한 restriction, gluing, obstruction, 논증 조건을 강제한다. Foundry SQL(FSQL)은 유지되는 foundry artifact를 슬라이싱하기 위한 소규모 typed query 표면으로, 외부 또는 사전 구축된 모델을 지속적인 ODYSSEY 상태에 수용하기 위해 TICKET(Topos Integration using Causal Kan Extension Transformers) 인증을 사용한다. ODYSSEY는 광범위한 구체적 foundry 전반에 걸쳐 완전히 구현되고 검증되었으며, 동일한 범주론적 기계장치가 도메인 구축, artifact replay, sheaf 진단, grounded Toulmin/지역 LLM 검토, 잔여 obstruction ledger, 이질적 소스 전반에 걸친 최적화된 TICKET 호환 인과 주장(causal-claim) 추출을 지원함을 보여준다. 본 논문은 ICML 2026에서 2.5시간 튜토리얼로 발표될 예정이다. 튜토리얼 홈페이지는 https://bit.ly/4ajS0nA 에 있다.